Machine Translated by Google

Hindawi
Complexity
Volumen 2022, artículo ID 8942773, 8
páginas https://doi.org/10.1155/2022/8942773

Artículo de revisión

Medición del Riesgo de Crédito, Análisis de Decisiones, Transformación y

Actualización para Big Data financiero

Wenshuai Wu
Academia de Ciencias de la Decisión de Guangdong, Universidad Sun Yat-sen, Guangzhou, Guangdong 510275, China

La correspondencia debe dirigirse a Wenshuai Wu; wuwsh8@163.com

Recibido el 9 de diciembre de 2021; Revisado el 12 de abril de 2022; Aceptado el 15 de abril de 2022; Publicado el 2 de mayo de 2022

Editor académico: Yu Zhou

Copyright © 2022 Wenshuai Wu. *Este es un artículo de acceso abierto distribuido bajo la licencia Creative Commons Attribution License, que permite el uso, la distribución y
la reproducción sin restricciones en cualquier medio, siempre que se cite correctamente el trabajo original.

*No existe una teoría bien construida sobre la medición del riesgo crediticio y el análisis de decisiones para big data financiero, y no se ha formado un sistema de evaluación
científico y efectivo para ellos. Una revisión de ellos puede contribuir a comprender los temas mencionados anteriormente, comprender los problemas actuales, analizar los
problemas de investigación, dominar los desafíos de la investigación y predecir las direcciones futuras de la investigación. Además, este documento señala cuatro direcciones
de investigación de la medición del riesgo crediticio y el análisis de decisiones para big data financiero. Además, este documento puede proporcionar algunas indicaciones de
orientación y puntos de vista para los profesionales, investigadores, instituciones financieras y departamentos gubernamentales interesados en la toma de decisiones complejas
en big data.

1. Introducción mejorar la estructura de la industria financiera y mantener la estabilidad

Con el rápido desarrollo de las finanzas de Internet, la computación
en la nube, Internet de las cosas y las técnicas de big data, los datos
generados por la sociedad a partir de datos estructurados, datos
semiestructurados y datos no estructurados, como datos de tarjetas
de crédito, datos de comercio electrónico, currículum Los datos, los
datos de imágenes, los datos de audio y los datos de video están
proliferando a una velocidad sin precedentes, lo que marca la llegada
de la era de los grandes datos [1–4]. En 2012, las Naciones Unidas
publicaron un libro blanco sobre asuntos gubernamentales de
macrodatos, que enumeraba los macrodatos como una oportunidad
histórica a nivel mundial. En 2013, Estados Unidos propuso invertir
USD 200 millones para promover el desarrollo de industrias de big
data para actualizar la "estrategia de big data" de acuerdo con la
voluntad nacional. *Las grandes ventajas de los grandes datos han
atraído a más países y regiones a unirse al proceso de exploración y
aplicación de los grandes datos. En China, también se emitió el
decimocuarto plan de desarrollo quinquenal para big data para
enfatizar la necesidad de centrarse en desarrollar tecnologías clave
de big data, innovar el modo de servicio de big data, cultivar el sistema
de productos de big data y apoyar el desarrollo de big data. industria.
La investigación sobre macrodatos financieros no solo es un requisito
para el desarrollo de la sociedad, sino que también conduce a
comprender el estado operativo para promover mejor la transformación y
financiera regional [2].
*El campo financiero está profundamente involucrado en el cálculo
de eventos de big data [5]. *El sistema de crédito financiero no solo es
una parte importante del sistema de crédito social sino también uno
de los campos de investigación más básicos [6]. Las instituciones
financieras emplean modelos de calificación crediticia para identificar
prestatarios potenciales y determinar el precio de los préstamos y los
requisitos de garantía mediante la medición del riesgo crediticio [7–9].
La medición eficaz del riesgo de crédito es el núcleo de la gestión del
riesgo de crédito. Además, la medición del riesgo crediticio depende
de datos masivos, que son difíciles de mejorar la precisión de los
resultados del análisis [10, 11] debido a características complejas
como la heterogeneidad de múltiples fuentes, la oportunidad, la
sociabilidad y la emergencia. * Por lo tanto, para los macrodatos
financieros, como los datos de información de clientes bancarios, los
datos de gestión de crédito y los datos de información de transacciones
financieras, el problema de desarrollar tecnologías efectivas de
medición del riesgo crediticio y análisis de decisiones es un problema desafiante y dif
Aunque algunos académicos se dedican a la investigación de
macrodatos financieros, la mayoría de ellos se ha centrado en la
investigación teórica y de políticas [13–15]. Para el big data financiero,
todavía faltan teorías y métodos sistemáticos y científicos para medir
el riesgo crediticio, con el fin de explorar el mecanismo de evaluación.
Además, también existen riesgos en la toma de decisiones en
Machine Translated by Google
2 Complejidad
la elección de modelos de riesgo de crédito en el entorno de big data.
Además, los macrodatos no solo presentan desafíos sin precedentes para el
modelo tradicional de ganancias, la gestión de operaciones y el modo de
servicio al cliente de las instituciones financieras, sino que también generan
necesidades urgentes para la transformación y mejora de la industria financiera.
En la actualidad, los temas de investigación clave para las instituciones
financieras o incluso los departamentos gubernamentales son los siguientes:
cómo investigar y desarrollar tecnologías efectivas de medición del riesgo
crediticio y análisis de decisiones para big data financiero para dar el salto
tecnológico y promover la transformación y mejora. de la industria financiera.
Por lo tanto, este documento examina las tecnologías clave de medición del
riesgo crediticio y análisis de decisiones para big data financiero, que conducen
a mejorar la fuerza impulsora de la innovación tecnológica y promover la
mejora de la industria financiera. *El resto de este documento está organizado
de la siguiente manera: la Sección 2 resume la investigación relacionada. La
sección 3 introduce algunos problemas de investigación. En la Sección 4, se
proponen algunos desafíos de investigación. En la Sección 5, se presentan
futuras direcciones de investigación con respecto a la medición del riesgo
crediticio y el análisis de decisiones para macrodatos financieros. Finalmente,
la Sección 6 concluye este documento.
2. Trabajos relacionados
2.1. %e Complejidad de Big Data. *El campo de la ciencia de la complejidad
surgió a finales del siglo XX. Sin embargo, persisten las siguientes preguntas:
¿Qué es la complejidad? ¿Qué es la ciencia de la complejidad? * Siempre ha
habido cierta controversia en torno a este tema en la academia. Cuando se
discute el desarrollo de la ciencia de la complejidad, la tecnología de big data
se ha desarrollado con vigor y vitalidad. Big data tiene las siguientes cinco
características, conocidas como las cinco V: (1) [16] Volumen se refiere a una
gran cantidad de datos, más de 1000 T o incluso hasta 1 billón de T. (2)
Variedad se refiere a una amplia gama de tipos de datos, como imágenes,
audio, video, registros de red e información de ubicación geográfica. (3) Valor
indica que el valor de purificación de datos es bajo; es decir, la densidad del
valor de los datos es relativamente baja. (4) La velocidad se refiere a fuertes
requisitos de puntualidad, en el sentido de que la información efectiva debe
recopilarse, procesarse y retroalimentarse a tiempo. (5) La veracidad requiere
una alta precisión, que refleja la calidad de los datos [17, 18]. La complejidad
es uno de los factores clave que restringen la eficiencia y la calidad del
procesamiento de big data, y es un factor importante para que big data se
convierta en un problema científico. *El logro representativo de la investigación
de la complejidad es la teoría del “sistema gigante complejo abierto”, propuesta
por Qian [19, 20]. * Los principales logros de esta teoría son el "método de
integración integral de cualitativo a cuantitativo" y el "sistema de sala de
seminarios de integración integral de la combinación hombre-máquina".
Después de décadas de desarrollo, se forman la tecnología básica y el sistema
de métodos. En los últimos años, con el desarrollo de técnicas de big data, el
proceso práctico de aplicación de big data se ha acelerado gradualmente.
Muchos países han lanzado e implementado estrategias nacionales de
macrodatos. * Los EE. UU. han tomado los grandes datos como un recurso
estratégico y han acelerado el intercambio, la apertura, el desarrollo y la
aplicación de datos
recursos para ayudar en la transformación y modernización industrial.
Big data ha brindado oportunidades sin precedentes [13, 15, 21] para la
transformación y mejora industrial.
Sin embargo, las oportunidades y los desafíos coexisten.
En la actualidad, los grandes datos se enfrentan a tres problemas teóricos
importantes [22–24]. * El primero es cómo manejar los datos masivos de
manera efectiva, el segundo es cómo describir la complejidad y la incertidumbre
de los datos masivos, y el tercero es cómo modelar el sistema de datos masivos.
Con base en el almacenamiento en la nube y la computación en la nube, cómo
usar la tecnología de la información para manejar datos no estructurados y
semiestructurados de manera efectiva se ha convertido en un tema de
investigación científica de vanguardia de interés común. Además, cómo
explorar los métodos efectivos y ejecutar el modelado del sistema para big
data son temas importantes para el descubrimiento de conocimiento en big
data. *El problema subsiguiente es el de la heterogeneidad de decisión y
heterogeneidad de datos, la relación entre heterogeneidad de decisión y
heterogeneidad de datos para el descubrimiento de conocimiento y la toma de
decisiones de gestión en big data debe ser estudiada en profundidad. Debido
a la complejidad de los grandes datos, este problema es claramente un tema
de investigación importante, que presenta nuevos desafíos para la teoría y la
tecnología de minería de datos [7, 25–27]. En la actualidad, el análisis de la
complejidad de los macrodatos se ha centrado principalmente en conjuntos de
datos específicos y niveles de medición de algoritmos. A nivel de sistema, el
trabajo de analizar la complejidad de los grandes datos, explorar su mecanismo
y encontrar los métodos básicos es de gran importancia.
2.2. Medición del Riesgo de Crédito. *A lo largo del proceso de investigación
de la medición del riesgo de crédito, desde el método de medición del riesgo
de crédito que inicialmente se basa en el juicio subjetivo de expertos hasta el
modelo moderno de evaluación del riesgo de crédito basado en estadísticas,
investigación operativa e inteligencia artificial, el modelo de medición del riesgo
de crédito ha desarrollado y mejorado. *La investigación sobre la medición del
riesgo de crédito se puede dividir aproximadamente en cinco modelos: modelo
de juicio de experiencia, modelo matemático-estadístico, modelo estructural,
modelo de calificación interna y modelo de inteligencia artificial.
En el modelo de juicio de experiencia, la tecnología de calificación
crediticia se basa principalmente en la experiencia de expertos para la calificación.
Los expertos en crédito califican a los solicitantes de acuerdo con los materiales
del solicitante y algunos elementos del análisis crediticio. *Los métodos
comúnmente utilizados incluyen el método de análisis de elementos 5C, el
método de análisis de elementos 5P y el método de análisis de elementos 5W
[28]. *Las características del modelo de juicio de experiencia adoptan
principalmente el método de análisis de expertos. *El responsable de crédito
hace un juicio subjetivo sobre el estado crediticio del objeto comercial y luego
toma decisiones crediticias, que tienen una fuerte subjetividad.
A fines de la década de 1960 [29], el modelo matemático-estadístico se
desarrolla gradualmente para evitar la influencia subjetiva del juicio empírico.
*Los modelos representativos incluyen el modelo zeta [1], el modelo de análisis
discriminante [30], el modelo de análisis de regresión [31–33], el modelo de
programación matemática [34, 35], el modelo de optimización multiobjetivo [36–
38] y el modelo de árbol de decisión [39].
Con el rápido desarrollo del mercado de capitales, la no intermediación
del financiamiento y la titulización, y la
Machine Translated by Google
Complejidad
aparición de muchas herramientas de innovación financiera, la
complejidad del riesgo de crédito se hizo más significativa. Para resolver
el desarrollo del mercado de capitales y la complejidad del riesgo de
crédito, en la década de 1990 se propone el modelo estructural basado en
la teoría del mercado de capitales y la teoría de la ciencia de la información,
como el modelo KMV [40], el modelo de métricas crediticias [41], modelo
de vista de cartera de crédito [42], y modelo de medición de riesgo basado
en tecnología de valoración de opciones [43, 44].
* El Comité de Basilea lanza el borrador del Nuevo Acuerdo de
Capital de Basilea en 2001, señalando que los bancos calificados deben
usar el modelo de calificación interna para medir el riesgo crediticio. *La
Oficina del Contralor de la Moneda (OCC) define los componentes clave
y las características del sistema de calificación interna en 2003. *Hay
muchas suposiciones en la aplicación de los modelos anteriores, pero los
datos reales son difíciles de ajustar con los propuestos. suposiciones
Con el desarrollo de la inteligencia artificial y la tecnología informática, el
modelo de inteligencia artificial ha comenzado a entrar en el campo de la
medición del riesgo de crédito. *Los modelos representativos incluyen el
sistema experto [45], la red neuronal [46], el algoritmo genético [47, 48] y
la máquina de vectores de soporte (SVM) [49, 50].
La investigación sobre la medición del riesgo de crédito ha atraído
una gran atención en los círculos académicos y de aplicación, y se han
obtenido algunos resultados de investigación [51–55]. Altman [29], basado
en Beaver [56], utilizando la idea discriminante bayesiana y la tecnología
discriminante lineal, estableció el famoso modelo Z-score para juzgar si
una empresa incumple o quiebra. En 1977, el modelo Z-score fue ampliado
por Altman [29] para proponer el modelo zeta. Ohlson [57] tomó la razón
financiera como índice y aplicó el modelo de regresión logística para
predecir la probabilidad de incumplimiento empresarial. Altmann et al. [58]
utilizó una red neuronal para predecir la quiebra y descubrió que el modelo
de red neuronal era superior al método de análisis discriminante
multivariable en el rendimiento. Jarrow y Turnbull [59] emplearon una
técnica de valoración libre de arbitraje para fijar precios de derivados
sobre valores financieros sujetos a riesgo crediticio. Vapnik [60] aplicó el
método SVM a las alertas tempranas de crisis financieras, debido a su
fuerte operatividad y alta precisión de predicción, y recientemente, el
método SVM ha sido investigado activamente. Sobre la base de la matriz
de conversión de crédito, Morgan utilizó la idea del valor en riesgo para
calcular la volatilidad del valor de la empresa al considerar la tasa de
pérdida de los préstamos en mora de la empresa y propuso el modelo
Risk-Metrics [41]. Yu et al. [61] propusieron una clasificación SVM de
mínimos cuadrados modificada, denominada modelo de clasificación C-
VLSSVM, para evaluar el riesgo de crédito. Yu et al. [62] aplicó un modelo
de red neuronal multiescala para abordar eventos de crisis financiera. Li
et al. [63] propusieron un modelo de proceso de software para medir y
gestionar el riesgo de crédito, en el que el módulo de gestión de riesgos y
control de costes ayuda a mejorar la gestión de riesgos en el proceso de
desarrollo de software. Basado en las teorías y métodos de toma de
decisiones multicriterio (MCDM) y minería de datos, Kou y Wu [64]
propusieron un modelo de jerarquía analítica (AHM) para resolver el
problema de selección de modelos de evaluación del riesgo de crédito.
Florez-Lopez y Ramon-Jeronimo [65] desarrollaron un modelo de bosque
de decisión correlativo y ajustado para la evaluación de estrategias de
conjunto en la evaluación del riesgo crediticio. Sousa
3
et al. [66] propusieron un nuevo marco de modelado dinámico para
evaluar el riesgo de crédito. Zhang et al. [24] propusieron modelos de
aprendizaje de múltiples instancias con datos de transacciones para la
evaluación del riesgo crediticio. Yamanaka [67] presentó un modelo de
reducción aleatoria para la evaluación del riesgo crediticio de tipo
descendente. Canción et al. [68] indicó que los métodos de aprendizaje
por conjuntos funcionan mejor en la predicción por defecto que las técnicas
estadísticas y los clasificadores individuales. Huang et al. [69] propusieron
un método basado en GMM para estimar los parámetros del modelo y
probar las restricciones implícitas del modelo para el análisis de
especificaciones de los modelos de riesgo de crédito estructural. Lappas
y Yannacopoulos [70] propusieron un modelo que combina el algoritmo
genético y el conocimiento experto para la selección de características en
la evaluación del riesgo de crédito [71]. En resumen, la investigación
sobre el modelo de medición del riesgo de crédito se ha centrado
principalmente en la mejora e innovación de los modelos anteriores.
Debido a que la mayoría de los investigadores se enfocan en diseñar
nuevos métodos y desarrollar nuevos modelos [10], rara vez pueden
abordar y analizar los resultados de la minería en profundidad, por lo que
muchos usuarios no pueden comprenderlos y usarlos de manera fácil y
efectiva, lo que resulta en un desperdicio de conocimiento y datos. recursos [64].
Además, aunque los principales bancos comerciales, como el Banco
Popular de China, el Banco de China, el Banco Comercial Industrial de
China y el Banco de Construcción de China, han desarrollado algunos
modelos de calificación crediticia adecuados para los sistemas comerciales
de los bancos, la información de datos que establece estos Los modelos
carecen de precisión debido a la dificultad de compartir datos entre
bancos. Además, estos modelos están personalizados para sus propios
sistemas comerciales, por lo que carecen de universalidad.
Además, en el contexto de la era de los grandes datos financieros, muchos
estudios no han considerado el entorno de los grandes datos y sus
características, y los grandes datos tienen las características de
heterogeneidad de múltiples fuentes, oportunidad, sociabilidad y
emergencia, por lo que la investigación enfrenta desafíos nuevos y
severos. , y la medición del riesgo de crédito se ha vuelto cada vez más
compleja. Además, existe un riesgo de toma de decisiones en la selección
de tecnología de big data. * Por lo tanto, no existe una teoría bien
construida sobre la medición del riesgo crediticio y el análisis de decisiones
para big data financiero, y no se ha formado un sistema de evaluación
científico y efectivo.
3. Problemas de investigación
Hasta el momento, la investigación sobre la medición del riesgo de crédito
ha suscitado un amplio debate y estudio, y se han logrado algunos
resultados relacionados [54, 55, 72, 73]. Sin embargo, la mayoría de los
estudios sobre la medición del riesgo de crédito se han centrado
principalmente en la mejora e innovación de los modelos. Al mismo
tiempo, algunos investigadores se han centrado en la introducción de
principios modelo y otros se han centrado en el análisis comparativo de
varios modelos. Además, los datos entre las instituciones financieras son
difíciles de compartir y la información de datos confiables en el
establecimiento del modelo carece de precisión. Además, estos métodos
rara vez combinan los antecedentes del dominio de la aplicación, los
objetivos de toma de decisiones, los conocimientos previos y las
preferencias de los usuarios.
Aunque algunos académicos se dedican a la investigación de grandes
datos financieros, la mayoría de ellos se han centrado en la teoría
Machine Translated by Google
4 Complejidad
e investigación de políticas [13–15]. *Todavía faltan estándares
unificados para la adquisición, el almacenamiento y la gestión de big
data [74, 75]. Para la financiación de big data, también falta trabajo
para analizar big data utilizando las teorías y métodos básicos de la
ciencia de sistemas, explorar su mecanismo y encontrar el sistema
de evaluación básico. Además, existe un riesgo de toma de decisiones
en la selección del modelo de big data. Además, los grandes datos
traen desafíos sin precedentes al modelo tradicional de ganancias, la
gestión operativa y el modo de servicio al cliente de las instituciones
financieras. * Por lo tanto, este documento tiene como objetivo
excavar datos masivos complejos y heterogéneos para que las
instituciones financieras desarrollen tecnologías clave para la
medición del riesgo crediticio y el análisis de decisiones para lograr
avances tecnológicos y mejorar la prevención y el control del riesgo
financiero. Además, este documento puede proporcionar una base
para la toma de decisiones para que las instituciones financieras y
los departamentos gubernamentales formulen políticas financieras
relevantes y realicen la estrategia de desarrollo de la industria
financiera impulsada por la innovación tecnológica.
4. Desafíos de la investigación
En los últimos años, se han establecido muchas bases de datos
grandes en la industria financiera, instituciones de investigación
científica y departamentos gubernamentales. Se han acumulado
considerables datos heterogéneos de múltiples fuentes. Con el
rápido desarrollo de la tecnología informática, ha llegado la era de
los grandes datos. Big data puede ayudar a extraer el valor de los
datos y tomar mejores decisiones [76]. La financiación de big data
se ha convertido en un tema de investigación candente en los últimos
años [22, 77]. En febrero de 2011, la revista Science lanzó su primer
número especial sobre procesamiento de datos: “Tratar con datos”,
que abordaba una variedad de problemas relacionados con el rápido
crecimiento de los datos. En diciembre del mismo año, publicó otro
número especial para discutir la replicabilidad y reproducción de
datos masivos. Ke y Shi [7] señalaron que los grandes datos han
atraído cada vez más la atención de la academia y la industria [23].
Como núcleo de la economía moderna, las finanzas son una fuerza
importante que promueve el desarrollo económico de una región e
incluso de un país. Las instituciones financieras tienen más ventajas
inherentes en las aplicaciones de big data: (1) las empresas
financieras pueden acumular una gran cantidad de datos de alta
densidad de valor, como pasivos, activos, ingresos de capital,
identidad del cliente y transacciones de pago; (2) las instituciones
financieras tienen un presupuesto de capital relativamente suficiente,
que no solo puede atraer talento de alto nivel en el campo de los
grandes datos, sino también adaptar fácilmente la última tecnología de grandes
Según las cinco V de big data y las características de
complejidad, los big data se almacenan principalmente en bases de
datos no relacionales, como BigTable de Google, Dynamo de
Amazon y HBase de Hadoop, que tienen un diseño de arquitectura flexible.este difícil problema, esta dirección de investigación es llevar a cabo
En 2011, Ghoting et al. [78] propusieron los sistemas SystemML y
NIMBLE para diseñar e implementar una serie de primitivas
MapReduce para algoritmos de minería de datos. Además, los
algoritmos, como la agrupación y clasificación de datos, basados en
MapReduce también se han implementado y aplicado en muchos
campos [32, 79]. Recientemente, el proceso práctico de aplicar big
data se ha acelerado gradualmente. Desde las primeras
investigaciones científicas hasta las aplicaciones en los campos de la biología
física, ha comenzado a extenderse a más campos, como Internet y
las finanzas. En la era de los grandes datos, la competencia entre
las instituciones financieras se intensifica en la plataforma de
información en red, donde “los datos son los reyes”.
Big data ha brindado oportunidades sin precedentes para el
desarrollo vigoroso de las instituciones financieras [13].
Desde una perspectiva de marketing, el big data puede obtener de
manera más clara y precisa las necesidades y preferencias de los
clientes potenciales para atraer clientes a través del marketing de
precisión o la recomendación inteligente personalizada. Desde la
perspectiva de la gestión de riesgos, a través de la extracción
profunda de datos de transacciones desde múltiples ángulos y
canales, la industria financiera puede monitorear los riesgos
financieros en tiempo real y dar alertas tempranas de posibles riesgos
financieros a tiempo para reducir el costo de la gestión del riesgo
crediticio. Sin embargo, cualquier actividad financiera tiene riesgos.
Para las entidades financieras, la gestión del riesgo de crédito es la
clave de la operación y gestión de las entidades financieras y se ha
convertido en el tema central de la gestión social actual. En la
actualidad, aunque algunos académicos se han dedicado a la
investigación de macrodatos financieros, la mayoría de ellos se ha
centrado en la investigación teórica y de políticas [14], y aún faltan
estándares unificados para la adquisición, el almacenamiento y la
gestión de macrodatos. [74, 75]. Además, para big data financiero, el
trabajo de usar las teorías y métodos básicos de la ciencia de
sistemas para analizar big data, explorar su mecanismo y encontrar
el sistema de evaluación básico también es ambiguo. Además, cómo
investigar y desarrollar las tecnologías clave de medición del riesgo
crediticio y análisis de decisiones para big data financiero para dar el
salto tecnológico es un tema de investigación clave para las
instituciones financieras y los departamentos gubernamentales.
5. Direcciones de investigación
La investigación de McKinsey mostró que la industria financiera
ocupó el primer lugar en el índice de valor potencial de big data. Big
data ha traído nuevas oportunidades e impulso de desarrollo a la
industria financiera. *Debe reconocerse plenamente la gran
importancia de los macrodatos. Las direcciones de investigación
futuras se resumen a continuación.
5.1. Investigación teórica sobre el mecanismo de complejidad de la
medición del riesgo de crédito para Big Data financiero. Big data
tiene heterogeneidad de múltiples fuentes, puntualidad, sociabilidad
y emergencia; por lo tanto, la investigación sobre la medición del
riesgodatos.
de crédito financiero enfrenta nuevos y grandes desafíos. Sin
embargo, la mayoría de los investigadores se han centrado en
diseñar nuevos modelos o desarrollar nuevos algoritmos [10],
ignorando el entorno de big data y sus características. En vista de
una investigación teórica sobre el mecanismo de complejidad de la
medición del riesgo de crédito financiero. Primero, esta investigación
es para estudiar la complejidad y la incertidumbre de los grandes
datos, la complejidad del proceso de grandes datos y la complejidad
del sistema de conocimiento involucrado en el procesamiento de
grandes datos. En segundo lugar, esta investigación es discutir e
investigar la connotación básica de datos, información y conocimiento
parayinvestigar profundamente las características de la industria financiera de big da
Machine Translated by Google
Complejidad
desafíos del modelo tradicional de medición del riesgo de crédito.
Finalmente, esta investigación es para discutir más a fondo la característica
esencial del riesgo de crédito financiero en el entorno de big data y llevar
a cabo una investigación teórica sobre el mecanismo de complejidad de
la medición del riesgo de crédito para big data financiero.
5.2. Desarrollo Tecnológico de Modelos de Minería de Datos de Medición
del Riesgo de Crédito. *La complejidad de los macrodatos es un factor
clave que restringe la eficiencia y la calidad del procesamiento de
macrodatos, y también es un factor importante para que los macrodatos
se conviertan en un problema científico clave. Frente a los requisitos del
análisis de big data, el procesamiento de datos tradicional y los métodos
de análisis no pueden satisfacer las necesidades del análisis de datos en
el entorno de big data. *Se deben seguir tres principios en el análisis de
big data: todos los datos, hibridez y correlación. *Estas son también las
características clave que distinguen el análisis de big data del análisis de
datos tradicional. Como una tecnología importante de procesamiento de
información, la minería de datos tiene como objetivo extraer, extraer e
identificar patrones valiosos, conocimiento potencial y leyes a partir de
datos masivos, para guiar de manera efectiva la toma de decisiones
comerciales y la investigación teórica científica.
En esta dirección de investigación, para macrodatos financieros, primero,
esta investigación tiene como objetivo estudiar los factores que influyen
en la mejora industrial basada en la tecnología de recopilación,
procesamiento, almacenamiento y gestión de macrodatos para determinar
los factores importantes, las áreas clave y las direcciones clave. afectando
la innovación de big data en la industria financiera. En segundo lugar,
esta investigación es para filtrar y combinar de manera efectiva los
indicadores de datos en la plataforma de nube de datos de las tres
dimensiones de crédito personal, crédito empresarial y crédito
gubernamental para establecer un sistema de índice de medición de
riesgo crediticio adecuado para la industria financiera. Finalmente, basado
en modelos de minería de datos, apoyándose en plataformas de
procesamiento de big data (la plataforma de procesamiento fuera de línea
de big data, la plataforma de procesamiento interactivo y la plataforma de
procesamiento de flujo), combinado con Python y el entorno del ecosistema
de big data (Hadoop, Spark, HBase, Hive) , esta investigación tiene como
objetivo desarrollar nuevos modelos de minería de datos y tecnologías
para la medición del riesgo de crédito para brindarle al sistema las
ventajas de escalabilidad y alta disponibilidad para buscar un avance
técnico para resolver el problema de la medición del riesgo de crédito.
5.3. Desarrollo de Métodos de Análisis de Decisión para Minería
Secundaria y Descubrimiento de Conocimiento Basado en MCDM. En los
campos de la minería de datos, el aprendizaje automático y el análisis de
big data, muchos investigadores se han centrado principalmente en
diseñar nuevos modelos o desarrollar nuevos algoritmos [10], y rara vez
han podido procesar, analizar y mostrar en profundidad los resultados
extraídos. * Por lo tanto, es difícil para los usuarios comprender los
resultados extraídos, y la probabilidad de dominar es menor, por lo que
los usuarios no pueden dominar y usar los resultados de manera fácil y
efectiva, lo que provoca el desperdicio de recursos de conocimiento y
datos. Además, el conocimiento aproximado generado por la minería de
datos aún debe ser filtrado por los tomadores de decisiones para obtener
conocimiento útil para la toma de decisiones. * Por lo tanto, cómo integrar
aún más el conocimiento del dominio y el conocimiento aproximado en el
conocimiento de toma de decisiones para guiar la toma de decisiones es
un problema científico reconocido y desafiante. Si
5
el proceso de extraer "conocimiento aproximado" a través de la minería
de datos o el análisis de big data se denomina "minería primaria", luego
el proceso de combinar conocimiento aproximado con conocimiento de
dominio cuantificado (por ejemplo, experiencia de expertos, sentido
común, instinto, conocimiento situacional y preferencias del usuario). )
para producir “conocimiento de decisión” se denomina “minería secundaria”.
Para big data financiero, basado en el método MCDM [25, 80, 81], esta
dirección de investigación es llevar a cabo minería secundaria y
descubrimiento de conocimiento desde una perspectiva multicriterio,
multidimensional, multietapa y multiestado para desarrollar nuevos
métodos de análisis de decisión para grandes financieros. datos.
Además, esta investigación se compromete a transformar el conocimiento
aproximado de la minería de datos en el conocimiento de toma de
decisiones requerido por los tomadores de decisiones para superar el
modo de toma de decisiones de élite anterior de "intuición y experiencia"
que subvierte el modo de pensamiento de investigación tradicional y
transforma el “pensamiento causal” en “pensamiento relevante” en la era
de los grandes datos.
5.4. Investigación de contramedidas para la transformación y modernización
de la industria financiera. Con la transformación de la estructura
económica en estructura de consumo, el mercado crediticio original no
puede satisfacer las demandas de la economía social. Además, existen
deficiencias obvias en la cobertura y disponibilidad de fuentes de datos
de investigación de crédito financiero. *La fuerte demanda del mercado
plantea un grave desafío para la industria financiera. Al mismo tiempo, en
la era de los grandes datos, la competencia entre las empresas financieras
es cada vez más intensa, y el modo tradicional de toma de decisiones de
élite de "intuición y experiencia" ha fallado gradualmente. * Por lo tanto,
en esta dirección de investigación, primero, esta investigación se basa en
la teoría de la mejora industrial y la teoría del crecimiento económico,
integrando campos científicos cruzados como la minería de datos, MCDM
[82, 83], informática, investigación de operaciones e inteligencia artificial
para llevar a cabo llevar a cabo una investigación teórica sobre el
mecanismo operativo de la mejora de la industria financiera para big data
financiero. En segundo lugar, la investigación debe combinar el estado
de desarrollo y las características de la industria financiera para esforzarse
por explorar las características y la ley operativa de los datos masivos en
el desarrollo y la toma de decisiones de gestión de la industria financiera.
Finalmente, la investigación tiene como objetivo explorar más a fondo la
contramedida de desarrollo adecuada para la transformación y mejora de
la industria financiera mediante la prestación de servicios de consultoría
de gestión de big data y apoyo a la toma de decisiones.
6. Conclusión
El análisis de riesgo de crédito financiero es el trabajo principal y el
eslabón clave de la gestión de riesgos de las instituciones financieras,
que está relacionado con la supervivencia de las instituciones financieras
y la estabilidad social. *La aplicación de big data en la industria financiera
ha atraído una atención cada vez mayor. Sin embargo, para el análisis
del riesgo de crédito financiero para big data, no se ha formado ningún
sistema científico de evaluación y toma de decisiones. Además, la
investigación en este campo se ha centrado mayoritariamente en la
mejora e innovación de los modelos y rara vez ha analizado en profundidad
los resultados de la minería. Además, la investigación
Machine Translated by Google
6 Complejidad
rara vez ha incorporado los antecedentes del campo de aplicación
correspondiente, los objetivos de toma de decisiones, los conocimientos
previos y las preferencias de los usuarios. Con la profundización gradual
de la globalización económica, la competencia entre las empresas se
vuelve cada vez más feroz, y el método tradicional de toma de decisiones
de élite de "intuición y experiencia" ha fallado gradualmente.
Con el advenimiento de la era de los grandes datos, el costo de la
adquisición de datos se está reduciendo. Sin embargo, la cantidad de
datos se multiplica exponencialmente y la estructura de datos se vuelve
cada vez más compleja. El pensamiento humano ha pasado del
"pensamiento causal" al "pensamiento de relevancia" en la era de los grandes datos. Jovanovic, S. Nadal, O. Romero, A. Abell´o y BB Quarry, “Quarry: una
[4] P.
Para big data financiero, el trabajo sobre el uso de teorías y métodos
básicos de ciencia de sistemas para analizar el riesgo de crédito
financiero, explorar su mecanismo complejo y encontrar su sistema de
evaluación para big data financiero es muy significativo. *Por lo tanto,
con base en las principales necesidades de desarrollo económico y
social nacional, este documento examina la investigación teórica y el
desarrollo técnico sobre la medición del riesgo de crédito y el análisis de
la toma de decisiones para el big data financiero. Además, se señalan
cuatro direcciones de investigación a continuación: primero, considerando
los nuevos requisitos y los nuevos desafíos de las características
complejas de la heterogeneidad de múltiples fuentes, la puntualidad y
las cinco V de los grandes datos, una dirección es realizar una
investigación teórica sobre el mecanismo complejo. de medición del
riesgo de crédito para macrodatos financieros. En segundo lugar, debido
a la complejidad de los macrodatos, otra dirección de la investigación es
desarrollar nuevos modelos y tecnologías de extracción de datos para la
medición del riesgo crediticio a fin de lograr un avance técnico. * En
tercer lugar, los resultados de la minería son difíciles de entender, por lo
que otra dirección de investigación es llevar a cabo la minería secundaria
y el descubrimiento de conocimiento para reconciliar la brecha de
conocimiento, con base en métodos MCDM, para superar el modo de
toma de decisiones de élite anterior de "intuición". y experiencia”, que
subvierte el modo de pensamiento de investigación tradicional y
transforma el “pensamiento causal” en “pensamiento relevante” en la era
de los grandes datos. En cuarto lugar, dada la teoría de la mejora
industrial y la teoría del crecimiento económico, la última dirección es
llevar a cabo una investigación de contramedidas sobre la transformación
y mejora de la industria financiera mediante la prestación de servicios de
soporte de decisiones y consultoría de gestión de big data.
Además, la revisión puede contribuir a comprender los temas anteriores,
comprender los problemas actuales, analizar los problemas de
investigación, dominar los desafíos de la investigación y predecir las
direcciones futuras de la investigación. Además, este documento también
puede proporcionar una base para la toma de decisiones para que las
instituciones financieras y los departamentos gubernamentales formulen
políticas relevantes de la industria financiera para promover un gran
avance en el desarrollo de la industria financiera [84–88].
Disponibilidad de datos
*Los datos utilizados para respaldar los hallazgos de este estudio se
incluyen en el artículo.
Conflictos de interés
*Los autores declaran no tener conflictos de intereses económicos
relacionados con el artículo.
Referencias
[1] S. Zhang, W. Xiong, W. Ni y X. Li, "Valor de los grandes datos para
financiar: observaciones sobre una empresa de servicios de crédito por
Internet en China", Financial Innovation, vol. 1, pág. 17, 2015.
[2] TK Chen, HH Liao y WH Chen, "Heterogeneidad de la capacidad del
director ejecutivo, capacidad de contratación de la junta y riesgo crediticio",
Revisión de Finanzas y Contabilidad Cuantitativas, vol. 49, núm. 4,
págs. 1005–1039, 2017.
[3] Q. Zha, G. Kou, H. Zhang et al., "Dinámica de opinión en finanzas y
negocios: una revisión de la literatura y oportunidades de investigación".
Innovación financiera, vol. 6, pág. 44, 2020.
plataforma de integración de big data centrada en el usuario”, Information
Systems Frontiers, vol. 23, núm. 1, págs. 9 a 33, 2021.
[5] MM Hasan, J. Popp y J. Ol´ah, “Panorama actual e influencia del big data
en las finanzas”, Journal of Big Data, vol. 7, núm. 1, págs. 21 a 17, 2020.
[6] T. Kariya, Y. Yamamura y K. Inui, “Calificaciones empíricas de riesgo
crediticio de bonos corporativos individuales y derivación de estructuras
temporales de probabilidades de incumplimiento”, Journal of Risk and
Financial Management, vol. 12, núm. 3, págs. 124–129, 2019.
[7] M. Ke y Y. Shi, "Grandes datos, grandes cambios: en la gestión
financiera", Open Journal of Accounting, vol. 03, núm. 04, págs. 77–82,
2014.
[8] PK Roy y K. Shaw, “Un modelo de calificación crediticia multicriterio para
PYMES que utilizan BWM híbrido y TOPSIS”, Financial Innovation, vol.
7, núm. 1, pág. 77, 2021.
[9] M. Fleckenstein y FA Longstaff, "*e prima de riesgo de mercado para el
riesgo de crédito al consumo no garantizado", %e Revisión de estudios
financieros, 2022.
[10] XQ Cheng, SH Liu, XQ Sun et al., "Lucha contra los riesgos financieros
emergentes en la era de los grandes datos: una revisión en perspectiva",
Investigación fundamental, vol. 1, no. 5, págs. 595–606, 2021.
[11] WH Jiang, L. Xu, ZS Chen, K. Govindan y KS Chin, "Equilibrio financiero
en una cadena de suministro con restricciones de capital: el impacto de
la calificación crediticia", Investigación de transporte Parte E: Revisión
de logística y transporte, vol. 157, artículo ID 102559, 2022.
[12] L. Yu, L. Yu y K. Yu, "Un paradigma de aprendizaje basado en rasgos
de alta dimensionalidad para la clasificación crediticia de alta dimensión".
Innovación financiera, vol. 7, núm. 1, págs. 32 a 20, 2021.
[13] ME Mccue y AM Mccoy, “*el alcance de los grandes datos en un
medicamento: oportunidades y desafíos sin precedentes”,
Fronteras en la ciencia veterinaria, vol. 4, pág. 194, 2017.
[14] B. Tissot, Financial Big Data and Policy Work: Opportunities and
Challenges, Oficina de Publicaciones de la Unión Europea, Luxemburgo,
2019.
[15] ZB Zhou, M. Gao, HL Xiao, R. Wang y WB Liu, "Big data y optimización
de cartera: un enfoque novedoso que integra DEA con múltiples fuentes
de datos", Omega, vol. 104, pág. 102479, 2021.
[16] AN Berger y WS Frame, “Calificación crediticia y disponibilidad de crédito
para pequeñas empresas”, Journal of Small Business Management,
vol. 45, núm. 1, págs. 5 a 22, 2007.
[17] D. Howe, M. Costanzo, P. Fey et al., "Grandes datos: el futuro de la
biocuración", Nature, vol. 455, págs. 47 a 50, 2008.
[18] A. Gandomi y M. Haider, “Más allá de la exageración: conceptos,
métodos y análisis de big data”, International Journal of Information
Management, vol. 35, núm. 2, págs. 137 a 144, 2015.
[19] JY Yu, "Investigación de Qian Xuesen sobre sistemas gigantes complejos
abiertos", Teoría y práctica de ingeniería de sistemas, vol. 5, págs. 8 a
12, 1992.
Machine Translated by Google
Complejidad
[20] N. Wang, “*la creación de un héroe intelectual: narraciones chinas de qian
xuesen”, %e China Quarterly, vol. 206, págs. 352 a 371, 2011.
[21] K. Fanning y E. Drogt, "Grandes datos: nuevas oportunidades para fusiones y
adquisiciones", Journal of Corporate Accounting & Finance, vol. 25, núm. 2,
págs. 27 a 34, 2014.
[22] Y. Shi, “Grandes datos y nuevos desafíos para la ciencia y la tecnología”,
Ciencia, Tecnología y Desarrollo, vol. 10, núm. 1, págs. 25 a 30, 2014a.
[23] Y. Shi, "Historia de big data, estado actual y desafíos futuros", %e Bridge, vol. 44,
núm. 4, págs. 4–11, 2014b.
[24] T. Zhang, W. Zhang, Xu. Wei y H. Hao, "Aprendizaje de múltiples instancias para
la evaluación del riesgo crediticio con datos de transacciones"
Sistemas basados en el conocimiento, vol. 161, págs. 65 a 77, 2018.
[25] W. Wu, Z. Xu, G. Kou y Y. Shi, "Apoyo a la toma de decisiones para la evaluación
de algoritmos de agrupamiento basados en MCDM"
Complejidad, vol. 2020, n. 2, págs. 1 a 17, 2020b.
[26] HY Qiu, C. Liu y XM Zhang, "Diseño inteligente del cronograma de entrenamiento
de tenistas basado en grandes datos de complejidad", Complexity, vol. 2021, n.
1, págs. 1 a 11, 2021.
[27] ME Zmijewski, “Cuestiones metodológicas relacionadas con la estimación de los
modelos de predicción de problemas financieros”, Journal of Accounting
Research, vol. 22, págs. 59–86, 1984.
[28] SM Abbadi y SMA Karsh, “Métodos de evaluación del riesgo crediticio utilizados
por los bancos comerciales en Palestina”, International Research Journal of
Finance and Economics, vol. 111, págs. 146 a 159, 2013.
[29] EI Altman, “Razones financieras, análisis discriminatorio y predicción de la quiebra
corporativa”, %e Journal of Finance, vol. 23, núm. 4, págs. 589–609, 1968.
[30] C. Fraley y AE Raftery, “Conglomerados basados en modelos, análisis
discriminatorio y estimación de la densidad”, Journal of the American Statistical
Association, vol. 97, núm. 458, págs. 611–631,
2002.
[31] JC Wiginton, “Una nota sobre la comparación de los modelos logit y discriminante
del comportamiento del crédito al consumo”, Journal of Financial and Quantitative
Analysis, vol. 15, núm. 3, págs. 757–770, 1980.
[32] F. Campobasso y A. Fanizzi, "Medidas de bondad de ajuste y selección de
modelos en un análisis de regresión de mínimos cuadrados difusos"
Estudios en Inteligencia Computacional, vol. 465, págs. 241 a 257, 2013.
[33] C. Jiang, Z. Wang y H. Zhao, “Un modelo de cura mixta basado en la predicción
y su aplicación en la calificación crediticia”, European Journal of Operational
Research, vol. 277, núm. 1, págs. 20 a 31, 2019.
[34] Y. Peng, G. Kou, Y. Shi y Z. Chen, "Un modelo de programación cuadrático
convexo de criterios múltiples para el análisis de datos crediticios"
Sistemas de apoyo a la decisión, vol. 44, núm. 4, págs. 1016–1030, 2008.
[35] Z. Chen, Y. Li, Y. Wu y J. Luo, “*la transición de la banca tradicional a las finanzas
de Internet móvil: una perspectiva de innovación organizacional: un estudio
comparativo de Citibank e ICBC”, Financial Innovation, vol. 3, núm. 1, pág. 12,
2017.
[36] G. Kou, Y. Peng, Y. Shi, M. Wise y W. Xu, "Descubriendo el comportamiento de
los titulares de tarjetas de crédito mediante la programación lineal de múltiples
criterios", Annals of Operations Research, vol. 135, núm. 1, págs. 261 a 274,
2005.
[37] Y. Shi, Y. Peng, G. Kou y Z. Chen, "Clasificación de cuentas de tarjetas de crédito
para inteligencia comercial y toma de decisiones: un enfoque de programación
cuadrática de criterios múltiples", Revista internacional de tecnología de la
información y toma de decisiones , vol. 04, núm. 04, págs. 581–599, 2005.
[38] W. Wu y Y. Peng, “Extensión del análisis relacional gris para facilitar el consenso
de grupo para emergencias por derrames de petróleo
7
gestión”, Annals of Operations Research, vol. 238, núm. 1-2, págs. 615–635,
2016.
[39] NO Bakir, “Un modelo de árbol de decisiones para evaluar contramedidas para
asegurar la carga en los puertos de entrada del sudoeste de los Estados
Unidos”, Decision Analysis, vol. 5, núm. 4, págs. 230 a 248, 2008.
[40] KMV Corporate, Credit Monitor Overview, San Francisco California, 1993.
[41] JP Morgan, “Documento técnico de CreditMetrics”, Jp Morgan, vol. 5, núm. 3,
págs. 48–51, 1997.
[42] T. Wilsom, Modelado de riesgo crediticio: un nuevo enfoque, Mckinsey Inc, Nueva
York, 1997.
[43] FA Longstaff y EF Schwartz, "Un enfoque simple para valorar la deuda de tasa
fija y flotante riesgosa", %e Journal of Finance, vol. 50, núm. 3, págs. 789–819,
1995.
[44] ZS Chen, X. Zhang, K. Govindan, XJ Wang y KS Chin, “*Selección de proveedores
de logística inversa de terceros: un enfoque de toma de decisiones basado en
análisis semántico computacional basado en múltiples perspectivas y múltiples
atributos, ” Sistemas Expertos con Aplicaciones, vol. 166, pág. 114051, 2021.
[45] A. Bahrammirzaee, AR Ghatari, P. Ahmadi y K. Madani, “Sistema inteligente
híbrido de clasificación crediticia que utiliza un sistema experto y redes
neuronales artificiales”, Applied Intelligence, vol. 34, núm. 1, págs. 28 a 46,
2011.
[46] JA Marshall, "Redes neuronales para el reconocimiento de patrones",
Redes neuronales, vol. 8, núm. 3, págs. 493-494, 1995.
[47] J. Galindo y P. Tamayo, “Evaluación del riesgo crediticio utilizando aprendizaje
estadístico y automático: metodología básica y aplicaciones de modelado de
riesgos”, Computational Economics, vol. 15, núm. 1/2, págs. 107 a 143, 2000.
[48] P. Pawiak, M. Abdar, J. Pawiak, V. Makarenkov y UR Acharya, "DGHNL: una
nueva red jerárquica genética profunda de estudiantes para la predicción de la
calificación crediticia", Ciencias de la información, vol. 516, págs. 401–418,
2020.
[49] Z. Huang, H. Chen, CJ Hsu, WH Chen y S. Wu, "Análisis de calificación crediticia
con máquinas de vectores de soporte y redes neuronales: un estudio
comparativo de mercado", Decision Support Systems, vol. 37, núm. 4, págs.
543–558, 2004.
[50] JH Trustorff, PM Konrad y J. Leker, “Predicción del riesgo crediticio utilizando
máquinas de vectores de soporte”, Revisión de contabilidad y finanzas
cuantitativas, vol. 36, núm. 4, págs. 565–581, 2011.
[51] M. Jacobs Jr, "*e impacto de las burbujas de precios de activos en las medidas
de riesgo crediticio", Journal of Financial Risk Management, vol. 04, núm. 04,
págs. 251–266, 2015.
[52] W. Wu y DG Mcmillan, “Vínculos dinámicos en el riesgo crediticio: modelado de
la correlación variable en el tiempo entre el dinero y los mercados de derivados
durante el período de crisis”, Journal of Risk, vol. 16, núm. 2, págs. 51 a 59,
2013.
[53] A. Pichler, “Una comparación cuantitativa de medidas de riesgo,”
Anales de Investigación de Operaciones, vol. 254, núm. 1 y 2, págs. 251 a 275,
2017.
[54] R. Chen, Z. Wang, L. Yang, CT Ng y TCE Cheng, “Un estudio sobre el riesgo
operativo y la estimación del riesgo de la cartera de crédito mediante el análisis
de datos”, Decision Sciences, vol. 53, núm. 1, págs. 84–123, 2020, https://
doi.org/10.1111/deci.12473.
[55] M. Mahbobi, S. Kimiagari y M. Vasudevan, "Clasificación del riesgo crediticio: un
algoritmo integrado de precisión predictiva que utiliza redes neuronales
artificiales y profundas", Annals of Operations Research, 2021.
[56] WH Beaver, “Razones financieras de Beaver como predictores de fallas”, Journal
of Accounting Research, vol. 4, págs. 71–102, 1966.
[57] JA Ohlson, "Razones financieras y la predicción probabilística de quiebra",
Journal of Accounting Research, vol. 18, núm. 1, págs. 109–131, 1980.
Machine Translated by Google
8 Complejidad
[58] EI Altman, G. Marco y F. Varetto, “Diagnóstico de dificultades corporativas:
comparaciones mediante análisis discriminante lineal y redes neuronales
(la experiencia italiana)”, Journal of Banking & Finance, vol. 18, núm. 3,
págs. 505 a 529, 1994.
[59] RA Jarrow y SM Turnbull, “Precio de derivados sobre valores fi nancieros
sujetos al riesgo de crédito”, %e Journal of Finance, vol. 50, núm. 1,
págs. 53 a 85, 1995.
[60] VN Vapnik, Naturaleza de la teoría del aprendizaje estadístico, Springer,
Nueva York, 1995.
[61] L. Yu, S. Wang y J. Cao, “Un clasificador de máquina vectorial de soporte
de mínimos cuadrados modificado con aplicación al análisis de riesgo
crediticio”, Revista internacional de tecnología de la información y toma
de decisiones, vol. 08, núm. 04, págs. 697–710, 2009.
[62] L. Yu, S. Wang, KK Lai y F. Wen, "Un paradigma de aprendizaje de red
neuronal multiescala para la previsión de crisis financieras"
Neurocomputación, vol. 73, núm. 4–6, págs. 716–725, 2010.
[63] J. Li, M. Li, D. Wu y H. Song, “Un modelo integrado de medición y
optimización de riesgos para la gestión confiable de procesos de
software”, Information Sciences, vol. 191, núm. 1, págs. 47 a 60, 2012.
[64] G. Kou y W. Wu, “Un modelo de jerarquía analítica para la selección de
algoritmos de clasificación en el análisis de riesgo de crédito,”
Problemas matemáticos en ingeniería, vol. 2014, núm. 11 y 12, págs. 1 a
7, 2014.
[65] R. Florez-Lopez y JM Ramon-Jeronimo, “Mejorando la precisión y la
interpretabilidad de las estrategias de conjunto en la evaluación del riesgo
crediticio. Una propuesta de bosque de decisiones correlativamente
ajustada”, Expert Systems with Applications, vol. 42, núm. 13, págs. 5737–
5753, 2015.
[66] MR Sousa, J. Gama y E. Brandão, “Un nuevo marco de modelado dinámico
para la evaluación del riesgo crediticio”, Sistemas expertos con
aplicaciones, vol. 45, págs. 341 y 351, 2016.
[67] S. Yamanaka, "Modelo de reducción aleatoria con un factor de vulnerabilidad
de calidad crediticia truncado: aplicación a la evaluación de riesgo
crediticio de tipo descendente", International Journal of Financial
Engineering, vol. 06, núm. 03, artículo ID 1950024, 2019.
[68] Y. Canción, YY. Wang, X. Ye, DJ Wang, YQ Yin y YZ Wang, "Aprendizaje
de conjunto de vistas múltiples basado en la distancia al modelo y la
agrupación adaptativa para la evaluación del riesgo crediticio
desequilibrado en préstamos P2P", Ciencias de la información, vol. 525,
núm. 4, págs. 182 a 204, 2020.
[69] JZ Huang, Z. Shi y H. Zhou, “Análisis de especificación de modelos de
riesgo de crédito estructural”, Review of Finance, vol. 24, núm. 1, págs.
45–98, 2020.
[70] PZ Lappas y AN Yannacopoulos, “Un enfoque de aprendizaje automático
que combina el conocimiento experto con algoritmos genéticos en la
selección de funciones para la evaluación del riesgo de crédito”, Applied
Soft Computing, vol. 107, artículo ID 107391, 2021.
[71] RA Jarrow y D. Lando, “Un modelo de Markov para la estructura temporal
de los diferenciales de riesgo crediticio”, Revisión de estudios financieros,
vol. 10, núm. 2, págs. 481–523, 1997.
[72] DE Allen, RJ Powell y AK Singh, “Llévelo al límite: aplicaciones innovadoras
de CVaR para la medición extrema del riesgo crediticio”, European
Journal of Operational Research, vol. 249, núm. 2, págs. 465–475, 2016.
[73] M. Gubareva y MR Borges, “Replanteamiento de la gestión del capital
económico a través del tratamiento integrado basado en derivados de la
tasa de interés y el riesgo crediticio”, Annals of Operations Research, vol.
266, núm. 1 y 2, págs. 71 a 100, 2017.
[74] C. Liu y CO Sergeevna, "Para la gestión de depuración inteligente de la
ingeniería petrolera en alta mar con big data"
Revista de sistemas inteligentes y difusos, vol. 40, núm. 4, págs. 6091–
6101, 2021.
[75] SY Wang, “Una entrevista con Shouyang Wang: la frontera de investigación
de la previsión económica y financiera basada en grandes datos”, Data
Science and Management, vol. 1, no. 1, págs. 10 a 12, 2021.
´ ´
[76] A. Perez-Mart ´ÿn, A. Perez-Torregrosa y M. Vaca, “Técnicas de Big Data
para medir el riesgo bancario de crédito en préstamos con garantía
hipotecaria”, Journal of Business Research, vol. 89, págs. 448–454, 2018.
[77] AA Bressan, “Big data como una herramienta revolucionaria en finanzas,”
Revista de innovación financiera, vol. 1, no. 2, págs. 1 a 7, 2015.
[78] A. Ghoting, R. Krishnamurthy, E. Pednault et al., "SystemML: aprendizaje
automático declarativo en MapReduce", en Proceedings of the 2011 IEEE
27th International Conference on Data Engineering (ICDE), pp. 231–242,
Hannover, Alemania, 2011.
[79] JJ Grefenstette, "Asignación de créditos en sistemas de descubrimiento de
reglas basados en algoritmos genéticos", Machine Learning, vol. 3, núm.
2-3, págs. 225–245, 1988.
[80] W. Wu y Z. Xu, “Método TODIM híbrido con un conjunto nítido de términos
lingüísticos de probabilidad y número para la evaluación de situaciones
de epidemias urbanas”, Complexity, vol. 2020, n. 4, págs. 1 a 11, 2020.
[81] W. Wu, Z. Xu y GK Kou, “Evaluación de la toma de decisiones grupales
basada en preferencias grupales en un entorno de criterios múltiples”,
Desarrollo tecnológico y económico de la economía, vol. 26, núm. 6, págs.
1187–1212,¨ 2020a.
[82] G. Kou, O. Olgu Akdeniz, H. Dinçer y S. Y¨uksel, “Inversiones fintech en
bancos europeos: un enfoque híbrido multidimensional difuso de toma de
decisiones de TI2”, Financial Innovation, vol. 7, núm. 1, págs. 39–28,
2021a.
[83] G. Kou, H. Xiao, M. Cao y LH Lee, “Asignación óptima de presupuesto
informático para el algoritmo genético evaluado por vectores en la
optimización de simulación multiobjetivo”, Automatica, vol. 129, pág.
109599, 2021b.
[84] M. Cao, R. Chychyla y T. Stewart, "Análisis de big data en auditorías de
estados financieros", Accounting Horizons, vol. 29, núm. 2, págs. 423–
429, 2015.
[85] WS Frame y L. Woosley, “Calificación crediticia y disponibilidad de crédito
para pequeñas empresas en áreas de ingresos bajos y moderados”,
Financial Review, vol. 39, núm. 1, págs. 35 a 54, 2004.
[86] Z. Lin, AB Whinston y S. Fan, “Aprovechar las finanzas de Internet con una
gestión innovadora del crédito cibernético”, Financial Innovation, vol. 1,
pág. 5, 2015.
[87] X. Wu, X. Zhu, GQ Wu y W. Ding, "Minería de datos con macrodatos", IEEE
Transactions on Knowledge and Data Engineering, vol. 26, núm. 1, págs.
97–107, 2014.
[88] W. Wu, G. Kou, Y. Peng y D. Ergu, “Mejora en la toma de decisiones del
grupo AHP para la selección de estrategias de inversión”, Desarrollo
tecnológico y económico de la economía, vol. 18, núm. 2, págs. 299–316,
2012.